我需要比较2个地图,我正在寻找最好的方法。特别是,给定两个输入中的地图,我需要确定至少80%的条目是否相同。当前的方法是:
-data以键 ->的形式存储在两个文件中。
例如:
1.1.1.0/24 |178 188 198
1.1.2.0/24 |199 2212 2999 212....
在此文件中存储约60万个条目。
- 输入在地图上上传,然后进行比较。
由于大量数据,执行非常慢。(我需要多次进行这种比较)。我什至不知道地图是否是使用的最佳数据结构。考虑到2个文件中的条目数可能有所不同(第一个文件中存在的一些可能不存在于第二AMD VICE,反之亦然),文件中的条目按字母顺序排列。我正在使用python。
两种不同的方法:
1)在包含元素的集合中上传后,进行比较如下:
def checkSame(bgpt1, bgpt2):
size1 = len(bgpt1)
size2 = len(bgpt2)
num_shared_ip = float(len(bgpt1 & bgpt2))
ratio = num_shared_ip / max(size1, size2)
return ratio
2)使用地图通过迭代进行比较:
def compareMaps(map1,map2):
counter=0
for keyM1 in map1:
if keyM1 in map2:
if map2[keyM1]==map1[keyM1]:
counter+=1
...
由于您的文件进行排序,因此您不必将它们存储,甚至不必在线之外解析它们。您可以通过较小的当前元素来继续前进:
def count_equal(a, b):
"""
Counts the number of values that are equal in two sorted iterables.
>>> odds = [1, 3, 5, 7, 9, 11, 13, 15]
>>> primes = [2, 3, 5, 7, 11, 13]
>>> count_equal(odds, primes)
5
"""
return _count_equal(iter(a), iter(b))
def _count_equal(a, b):
c = 0
x = next(a)
y = next(b)
try:
while True:
while x < y:
x = next(a)
while y < x:
y = next(b)
if x == y:
c += 1
x = next(a)
y = next(b)
except StopIteration:
return c
您可以在同一读取中分别跟踪每个文件中有多少行:
from __future__ import division
class CountingIterable:
def __init__(self, iterable):
self.iterable = iterable
def __iter__(self):
count = 0
for x in self.iterable:
yield x
count += 1
self.count = count
with open('file1.txt', 'r') as a, open('file2.txt', 'r') as b:
a_counter = CountingIterable(a)
b_counter = CountingIterable(b)
a_iterator = iter(a_counter)
b_iterator = iter(b_counter)
n = count_equal(a_iterator, b_iterator)
# consume any remaining elements to acquire count
for _ in a_iterator: pass
for _ in b_iterator: pass
result = n / max(a_counter.count, b_counter.count)
由于您发布没有代码,所以我可以尝试提出一些想法。
也许您可以尝试合并两个文件,然后将每行与下一行进行比较(每个文件都有一个唯一的密钥)。对于每次命中,您都可以按一个更新计数器,当您最终到达文件末端时,您可以用线进行分配以获得相似性。
另一个想法是计算jaccard的相似性,但这要求每个文件具有唯一的值,并且您的数据符合内存。从两个文件中读取所有值,并创建(键:值)字符串集。(集合表示每个值的基数是一个)。然后,您可以使用此功能:
def compute_jaccard_index(set_1, set_2):
n = len(set_1.intersection(set_2))
return n / float(len(set_1) + len(set_2) - n)
返回两个集合的归一化索引[0-1]。
编辑:刚刚看到了您已发布的代码。按照我建议,请尝试在元组中的jaccard索引。您也可以将jaccard索引的现成实现之一